基于PSO-LSTM算法的路面损坏状况时序演化预测

姚朝林¹，潘军凯²，张 宇¹，逯小敏²，田育禾¹，孙仁娟¹，管延华^1*

(1. 山东大学 齐鲁交通学院，山东 济南 250100; 2. 山东东青公路有限公司，山东 济南250014)

摘　要：　针对传统模型在沥青路面损坏状况预测中存在超参数难以确定、预测精度不足等问题，该研究开展了路面损坏状况的时序演化预测，以提升预测的可靠性与适应性。为此，构建了一种基于粒子群算法(PSO)优化的长短期记忆网络(LSTM)预测模型(PSO-LSTM模型)。以山东省某高速公路的沥青路面检测数据为基础，采用PSO-LSTM模型对路面损坏状况指数(PCI)进行预测分析。结果显示，该模型的R²_p为0.740 23、RMSE为2.295 2、MAE为1.803、MAPE为0.019，表明PSO-LSTM模型能够有效预测PCI，且预测结果与实际检测结果高度一致。该模型能够充分捕捉路面损坏状况的时间序列特征及其隐含的空间分布规律，MSE为5.268，证明模型在噪声和离散度较大的数据中依然能够保持较好的预测精度。与BP神经网络、SVM、GRNN、GRU、BiLSTM、Transformer-LSTM、CNN-LSTM、Seq2Seq-LSTM、TCN模型进行对比分析，证明了PSO-LSTM模型在MAE、MSE和MAPE指标上均优于其他模型。

关键词：　道路工程; 路面损坏状况; 长短期记忆网络; 粒子群算法; 损伤状况预测

基金项目： 中央引导地方科技发展资金(YDZX2025016)

引文格式： 姚朝林，潘军凯，张宇，等. 基于PSO-LSTM算法的路面损坏状况时序演化预测[J]. 市政技术，2026，44(7)：19-26，65. (Yao Zhaolin，Pan Junkai，Zhang Yu，et al. Time-series evolution prediction of pavement damage condition based on PSO-LSTM algorithm[J]. Journal of Municipal Technology，2026，44(7)：19-26，65.)